一种名为患者采样（Patient Sampling）的新预训练方法已被开发用于电子健康记录（EHR）的自回归基础模型。该方法解决了标准语言建模方法中可能出现的偏差，在这些方法中，患者数据被连接起来，并且窗口可能混合多个患者。通过控制训练信号的分布方式，患者采样提高了下游临床任务的性能，在 MIMIC-IV 数据集上与全局流（Global Stream）基线相比，显示出增强的 Macro AUROC 和 AUPRC 分数。研究强调了序列构建作为 EHR 基础模型的一个关键但常被忽视的设计选择。 AI
影响 这种新方法可能带来更准确、偏见更少的分析电子健康记录的人工智能模型，从而改善临床决策。
排序理由 详细介绍人工智能模型训练新方法的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →
